yolov4+deepsort（yolo目标检测+自适应卡尔曼滤波追踪+毕业设计代码）

更多视觉额自动驾驶项目请见：
小白学视觉
自动驾驶项目

项目介绍

该项目一个基于深度学习和目标跟踪算法的项目，主要用于实现视频中的目标检测和跟踪。该项目使用了 YOLOv4 目标检测算法和 DeepSORT 目标跟踪算法，以及一些辅助工具和库，可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪。

YOLOv4 是一种高效的目标检测算法，它基于深度卷积神经网络，可以在实时性要求比较高的场景下进行目标检测。DeepSORT 是一种基于卡尔曼滤波器和匈牙利算法的目标跟踪算法，可以将视频帧中的目标在时间序列中进行跟踪，并且可以自适应地调整卡尔曼滤波器的参数，以提高跟踪的精度和鲁棒性。

主要功能

视频目标检测和跟踪：该项目可以读取本地或者云端的视频文件，对视频帧中的目标进行检测和跟踪，并且可以将跟踪结果保存为视频文件或者输出为实时视频流。

目标检测和跟踪参数的调整：该项目提供了一些参数可以调整，包括目标检测的置信度阈值、目标跟踪的匹配阈值、卡尔曼滤波器的参数等等，用户可以根据实际场景进行调整，同时也进行了自适应卡尔曼滤波。

相机标定：该项目还提供了相机标定的工具，可以对相机进行标定，以提高目标检测和跟踪的精度。

多目标跟踪：该项目支持同时跟踪多个目标，可以通过目标 ID 进行区分和跟踪。

面向对象

该项目的实现比较简单和易于理解，适合初学者和学习者使用。同时，该项目的代码也是开源的，用户可以根据自己的需要进行修改和扩展。需要注意的是，该项目的使用需要一定的计算资源和算法实现能力，同时也需要一些深度学习和目标跟踪的基本知识。
在这里插入图片描述

YOLOv4-DeepSort项目实战

依赖项

• Python 3.x
• TensorFlow 2.x
• OpenCV 4.x
• NumPy
• SciPy
• Matplotlib

安装

1. 克隆本项目：

   git clone my_project.git 或者联系我获取压缩包------qq1309399183-------
   

2. 安装依赖项：

   pip install -r requirements.txt
   

3. 下载 YOLOv4 / yolov4.weights权重文件：

   • 下载 yolov4.weights 文件。链接权重
   • 将 yolov4.weights 文件保存在 data 目录下。

运行

1. 运行 object_tracker.py 文件：

   python object_tracker.py --video ./data/video/test.mp4 --output ./outputs/output.avi
   

• --video 参数指定要处理的视频文件路径。
• --output 参数指定要保存的输出视频文件路径。如果不指定该参数，则会将跟踪结果输出为实时视频流。

2. 运行相机标定工具：

   python tools/camera_calibration.py
   

   该工具会自动读取 data/camera_calib/sample.mp4 视频文件，并进行相机标定。标定结果会保存在 data/camera_calib/calib.txt 文件中。

参数调整

可以通过修改 object_tracker.py 文件中的一些参数来调整目标检测和跟踪的效果。

• 目标检测置信度阈值：confidence_threshold 参数，默认值为 0.5。
• 目标跟踪匹配阈值：max_iou_distance 参数，默认值为 0.7。
• 卡尔曼滤波器参数：kalman_filter 类中的 Q 和 R 矩阵。可以根据实际场景进行调整。
• 

代码获取及结果

def save_tf():#------联系：qq1309399183----
  STRIDES, ANCHORS, NUM_CLASS, XYSCALE = utils.load_config(FLAGS)

  input_layer = tf.keras.layers.Input([FLAGS.input_size, FLAGS.input_size, 3])
  feature_maps = YOLO(input_layer, NUM_CLASS, FLAGS.model, FLAGS.tiny)
  bbox_tensors = []
  prob_tensors = []
  if FLAGS.tiny:
    for i, fm in enumerate(feature_maps):
      if i == 0:
        output_tensors = decode(fm, FLAGS.input_size // 16, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework)
      else:
        output_tensors = decode(fm, FLAGS.input_size // 32, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework)
      bbox_tensors.append(output_tensors[0])
      prob_tensors.append(output_tensors[1])
  else:
    for i, fm in enumerate(feature_maps):
      if i == 0:
        output_tensors = decode(fm, FLAGS.input_size // 8, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework)
      elif i == 1:
        output_tensors = decode(fm, FLAGS.input_size // 16, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework)
      else:
        output_tensors = decode(fm, FLAGS.input_size // 32, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework)
      bbox_tensors.append(output_tensors[0])
      prob_tensors.append(output_tensors[1])
  pred_bbox = tf.concat(bbox_tensors, axis=1)
  pred_prob = tf.concat(prob_tensors, axis=1)
  if FLAGS.framework == 'tflite':
    pred = (pred_bbox, pred_prob)
  else:
    boxes, pred_conf = filter_boxes(pred_bbox, pred_prob, score_threshold=FLAGS.score_thres, input_shape=tf.constant([FLAGS.input_size, FLAGS.input_size]))
    pred = tf.concat([boxes, pred_conf], axis=-1)
  model = tf.keras.Model(input_layer, pred)
  utils.load_weights(model, FLAGS.weights, FLAGS.model, FLAGS.tiny)
  model.summary()
  model.save(FLAGS.output)

def main(_argv):
  save_tf()

在这里插入图片描述